生存曲线生存曲线.pptVIP

0.5 两组生存曲线的比较 ㈡ Breslow检验 Breslow检验是一种把各时间点的例数作为权重考虑的非参数检验方法，也用于比较两组或多组生存曲线或生存时间是否相同。 Breslow检验的实例 例12. 某医师收集了符合手术治疗适应症的21例乳腺癌患者，随机分成两组，一组10例单纯接受手术治疗,另一组在手术后还接受化疗,其生存时间(月)见表12。试比较两组的总体生存率有无差别。 SPSS操作步骤 操作步骤与log-rank检验过程相同，只需在Compare Factor…窗口内选择Test Statistics下的 ? Breslow即可。 Breslow检验结果为：χ2 = 1.840，P=0.1750.05。故尚 不能认为两种疗法下的乳腺癌患者的总体生存率有差别。 SPSS输出结果（主要部分） ㈢ 生存曲线假设检验的注意事项 1. 要求各组生存曲线不能交叉，如交叉提示存在混杂因素，应采用分层分析方法或多因素方法来校正混杂因素。 2. 当假设检验有统计意义时，可从以下几方面来评价各组效应大小：生存曲线图目测判断、中位生存期比较等。 四、Cox回归分析 ㈠ Cox回归模型简介 1972年由英国统计学家D.R.Cox提出的比例风险回归模型(proportional hazards regression model )是对生存资料进行多因素分析的重要方法之一。 简称Cox回归模型。 Cox回归主要用于肿瘤和其它慢性病的预后分析，也可用于队列研究的病因探索，以及生存时间的影响因素的筛查。 Cox回归的优点是不用考虑生存时间分布，可 以利用删失数据，可以估计各个影响因素对风险率 影响程度。 (1) Cox模型的基本形式 h(t,X)—t 时刻风险函数(hazard function)、风险率或瞬时死亡率。 h0(t) —基准风险函数，即所有变量都取 0 时, t 时刻风险函数。 X1、X2、…、Xp —协变量、影响因素、预后因素。 β1、β2、…、βp —回归系数。 假设危险因素 X 在非暴露组取值为 0，在暴露 组取值为1，可有下式： 上式中得到的暴露组与非暴露组的危险率之比 正是流行病学中的相对危险度RR，该比值与 无关，也与时间 t无关，即模型中自变量的效应不随时间而改变，称为比例假定函数，比例风险模型由此得名。 参数解释： 回归系数βj (j=1,2,3,……p)的实际意义是： 在其他自变量不变的条件下，变量Xj 每增加一 个单位所引起的风险比的自然对数。 β0，RR1，说明变量X增加时，危险率增加，即X是危险因素。 β0，RR1，说明变量X增加时，危险率下降，即X是保护因素。 β=0，RR=1，说明变量X增加时，危险率不变，即X是危险无关因素。 (2) 参数估计与假设检验 ①参数估计 最大似然法(Maximum Likelihood method)。 ②假设检验 似然比检验（likelihood ratio test） 得分检验（ score test） Wald检验（Wald test） (3) 因素筛选与最优模型的建立 ①变量筛选方法 向前引入法（前进法）Forward 向后剔除法（后退法）Backward 逐步引入-剔除法（逐步法）Stepwise ② 检验水准 初步的、探索性的研究，或变量数较少时可取0.10。 设计严谨的、证实性的研究，或变量数较多时，可取0.05或0.01。 检验水准包括引入的检验水准和剔除的检验水准。一般地，检验水准的选择严进宽出。 (4) Cox回归分析结果的判读 寻找与生存相关的因素（即有统计学意义的）。 了解因素作用大小、方向及相对危险度的大小， 搞清是保护因素还是危险因素。 因素作用大小的排序，比较用标准化回归系数的 绝对值。 个体的预后指数及预后分组： 预后指数 （prognostic index，PI） ㈡ Cox回归分析实例 例13.某医师在研究急性白血病患者的生存率时，收集了33名患者的资料，按Ag阳、阴性分组（Ag阳性组17例，Ag阴性组16例），同时考察白细胞数的影响作用。具体数据见表13。试作Cox回归分析。 SPSS操作步骤 1. 建立SPSS数据文件； 2. Cox回归分析：Analyze → Survival ?→ Cox Regression…打开Cox Regression对话框，将“生存月数”变量(t)调入Time:栏中，将“结局”变量(s)调入Status:栏中并定义死亡状态的标志值